Testing identification in mediation and dynamic treatment models

तकनीकी सारांश: मध्यस्थता (Mediation) और गतिशील उपचार मॉडलों (Dynamic Treatment Models) में पहचान का परीक्षण

समस्या विवरण
कारण संबंधी मध्यस्थता विश्लेषण (Causal mediation analysis), गतिशील उपचार मूल्यांकन (Dynamic treatment evaluation), और नमूना चयन मॉडल (Sample selection models) में, कारण प्रभावों (जैसे कि प्रत्यक्ष, अप्रत्यक्ष, या संयुक्त प्रभाव) की पहचान आमतौर पर क्रमिक विलगनीयता (Sequential ignorability) की धारणा पर निर्भर करती है। यह धारणा यह मानती है कि, देखे गए सहचरों (Covariates) के अधीन, उपचार और मध्यस्थ (या एक चयन संकेतक) बाह्य (Exogenous) हैं, जिसका अर्थ है कि वे अज्ञात कारकों (Unobservables) द्वारा भ्रमित नहीं हैं। हालांकि, यह धारणा मानक अवलोकन संबंधी डेटा में परीक्षण योग्य नहीं है और अक्सर विवादास्पद होती है, क्योंकि अज्ञात भ्रमित करने वाले कारकों (Unobserved confounders) को निश्चित रूप से खारिज नहीं किया जा सकता है। जबकि पिछले साहित्य ने उपकरणों (Instruments) का उपयोग करके एकल उपचार प्रभावों की पहचान के लिए परीक्षण प्रस्तावित किए हैं, क्रमबद्ध उपचारों, मध्यस्थों और नमूना चयन वाले मॉडलों के लिए पहचान संबंधी धारणाओं का संयुक्त रूप से परीक्षण करने की विधियों का अभाव है।

कार्यप्रणाली
लेखक एक परीक्षण ढांचा प्रस्तावित करते हैं जो हूबर और कुएक (2022) के एकल उपचार मॉडलों के कार्य को एक उपचार ($D$) और एक मध्यस्थ ($M$), या एक चयन संकेतक के क्रमिक आवंटन वाले सेटिंग्स तक विस्तारित करता है। यह दृष्टिकोण दो प्रकार के देखे गए चरों पर निर्भर करता है: नियंत्रित किए जाने वाले सहचर ($X$) और संदिग्ध उपकरण ($Z_1$ के लिए $D$ हेतु, और $Z_2$ के लिए $M$ हेतु)।

यह कार्यप्रणाली एक विशिष्ट कारण संरचना (धारणा 1) पर आधारित है जो परिणाम से उपचार, मध्यस्थ, सहचर, या उपकरणों की ओर प्रतिवर्ती कारणता (Reverse causality) को खारिज करती है, और 'कारण निष्ठा' (Causal faithfulness) मानती है। इस संरचना के तहत, लेखक परीक्षण योग्य निहितार्थ (Testable implications - TIs) प्राप्त करते हैं जो निम्नलिखित की संयुक्त संतुष्टि के समान हैं:

1. बाह्यता (Exogeneity): उपचार और मध्यस्थ, सहचरों के अधीन, संभावित परिणामों और संभावित मध्यस्थों से स्वतंत्र हैं (क्रमिक विगालनीयता)।
2. उपकरण वैधता (Instrument Validity): उपकरण, सहचरों और संबंधित उपचार/मध्यस्थ की स्थिति के अधीन, संभावित परिणामों और मध्यइयों से स्वतंत्र हैं, जिसका अर्थ है कि वे सीधे परिणाम को प्रभावित नहीं करते हैं और अनभ्रमित (Unconfounded) हैं।

विशेष रूप से, परीक्षण योग्य निहितार्थ (TIs) तथ्यात्मक मात्राओं (Factual quantities) से संबंधित सशर्त स्वतंत्रता कथन हैं:

• $Y \perp Z_1 | D, X$
• $M \perp Z_1 | D, X$
• $Y \perp Z_2 | D, M, X$

यह ढांचा लचीला है और निम्नलिखित को समायोजित कर सकता है:

• उपकरणों की परस्पर निर्भरता (Instrument Interdependence): वे परिदृश्य जहाँ $Z_1$, $Z_2$ को प्रभावित करता है, जिसके लिए $Z_1$ के परीक्षण हेतु $Z_2$ को सशर्त सेट में शामिल करना आवश्यक है।
• उपचार-पश्चात भ्रम (Post-treatment Confounding): वे परिदृश्य जहाँ उपचार-पश्चात सहचर ($W$), मध्यस्थ-परिणाम संबंध को प्रभावित करते हैं, जिसके लिए $W$ को सशर्त सेट में शामिल करना आवश्यक है।

उच्च-आयामी (High-dimensional) सेटिंग्स में इस परीक्षण को लागू करने के लिए, लेखक मशीन लर्निंग-आधारित दृष्टिकोण का उपयोग करते हैं। वे इस शून्य परिकल्पना का परीक्षण करते है कि परिणाम या मध्यस्थ का सशर्त माध्य (Conditional mean) उपकरणों से स्वतंत्र है। इसे प्रतिगमन फलनों (Regression functions) के बीच वर्ग अंतर वाले एक द्विघात क्षण शर्त (Quadratic moment condition) के रूप में तैयार किया गया है, जिसमें उपकरणों को शामिल और बाहर रखा गया है। इसका अनुमान लगाने के लिए क्रॉस-फिटिंग (Cross-fitting) और नेमन ऑर्थोगोनैलिटी (Neyman orthogonality) (चेर्नोज़ुकोव आदि, 2018) का उपयोग किया जाता है, जिससे उच्च-आयामी सहचरों को नियंत्रित करने के लिए लचीले मशीन लर्निंग एल्गोरिदम (जैसे लैसो - Lasso) का उपयोग करना संभव होता है बिना उनके विषम गुणों (Asymptotic properties) से समझौता किए। स्कोर फंक्शन में एक यादृच्छिक विक्षेपण पद (Random perturbation term) जोड़ा जाता है ताकि शून्य परिकल्पना के तहत गैर-क्षीण प्रसरण (Non-degenerate variance) सुनिश्चित किया जा सके।

प्रमुख योगदान

1. पहचान परीक्षणों का विस्तार: यह अध्ययन विशेष रूप से कारण मध्यस्थता, गतिशील उपचार प्रभाव और नमूना चयन मॉडलों के लिए पहचान परीक्षण प्रस्तावित करने वाला पहला अध्ययन है, जो हूबर और कुएक (2022) के एकल-उपचार ढांचे का विस्तार करता है।
2. संयुक्त परीक्षण: यह विधि उपचार बाह्यता और उपकरण वैधता का अलग-अलग परीक्षण करने के बजाय उनका संयुक्त परीक्षण करने की अनुमति देती है।
3. लचीलापन: यह ढांचा बहु-मूल्य वाले उपकरणों, क्रमिक उपकरणों (जहाँ एक उपकरण दूसरे को प्रभावित करता है), और गतिशील भ्रम (उपचार-पश्चात सहचर) को संभालता है।
4. नैदानिक अपघटन (Diagnostic Decomposition): परीक्षण संरचना शोधकर्ताओं को कारण मॉडल के विशिष्ट भागों (जैसे, उपचार बाह्यता के उल्लंघन बनाम उपकरण वैधता के बीच अंतर करना) में अस्वीकृति को स्थानीयकृत करने की अनुमति देती है।
5. मशीन लर्निंग एकीकरण: उच्च-आयामी सहचरों को संभालने के लिए मशीन लर्निंग के माध्यम से एक डेटा-संचालित परीक्षण प्रक्रिया का प्रस्ताव, जो कई भ्रमित करने वाले कारकों को नियंत्रित करने की व्यावहारिक चुनौती को संबोधित करता है।

परिणाम

• सिमुलेशन अध्ययन: लेखक 1,000 और 4,000 के नमूना आकार के साथ एक सिमुलेशन अध्ययन आयोजित करते हैं। परिणाम दर्शाते हैं कि जब पहचान संबंधी धारणाएं मान्य होती हैं, तो परीक्षण सही अनुभवजन्य आकार (Nominal 5% स्तर के करीब) बनाए रखता है। जब धारणाओं का उल्लंघन होता है (जैसे, अज्ञात भ्रमित करने वाले कारकों को पेश करके या उपकरणों को अमान्य करके), तो परीक्षण उच्च शक्ति (Power) प्रदर्शित करता है, जिसमें बड़े नमूनों में अस्वीकृति दर 100% के करीब पहुँच जाती है। अध्ययन यह भी दिखाता है कि प्रस्तावित परीक्षण उन मामलों में भी उल्लंघन का पता लगाने में अच्छा प्रदर्शन करता है जहाँ उपकरणों का परिणाम पर सीधा प्रभाव होता है।
• अनुभवजन्य अनुप्रयोग (Empirical Application): इस पद्धति को अनुक्रमिक प्रशिक्षण कार्यक्रमों (ग्रेजुएट प्रैक्टिस के बाद रोजगार प्रोत्साहन) के रोजगार पर प्रभावों का मूल्यांकन करने के लिए स्लोवाक श्रम बाजार डेटा पर लागू किया गया है। स्थानीय कार्यक्रम उपलब्धता को उपकरणों के रूप में उपयोग करते हुए और पूर्व एवं उपचार-पश्चात सहचरों के एक समृद्ध सेट को नियंत्रित करते हुए, परीक्षण योग्य निहितार्थ पारंपरिक सार्थकता स्तरों पर अस्वीकृत नहीं होते हैं। यह सुझाव देता है कि इस विशिष्ट अनुप्रयोग के लिए क्रमिक विगालनीयता की धारणा तर्कसंगत है। फलस्वरूप, लेखक गतिशील उपचार प्रभाव का अनुमान लगाते हैं, जिसमें पाया गया कि दोनों कार्यक्रमों में भागीदारी से रोजगार की संभावना लगभग 8.55 प्रतिशत अंक बढ़ जाती है।

महत्व और दावे
यह शोध पत्र जटिल कारण मॉडलों में सत्यापन के लिए एक आवश्यक उपकरण प्रदान करने का दावा करता है जहाँ अज्ञात भ्रम (Unobserved confounding) एक प्राथमिक चिंता है। पर्याप्त परीक्षण योग्य स्थितियों को स्थापित करके, लेखक तर्क देते हैं कि शोधकर्ता केवल सैद्धांतिक प्रेरणा या अंतर्ज्ञान पर निर्भर रहने के बजाय क्रमिक विगालनीयता का सत्यापन कर सकते हैं। इसका महत्व अवलोकन संबंधी डेटा में पहचान को "सत्यापित" करने की क्षमता में निहित है, जिससे मध्यस्थता और गतिशील उपचार मॉडलों से प्राप्त कारण अनुमानों में विश्वास बढ़ता है। लेखक विनम्र रहते हुए यह उल्लेख करते हैं कि हालांकि यह परीक्षण पहचान के लिए आवश्यक शर्तों को सत्यापित करता है, लेकिन यह प्राकृतिक प्रत्यक्ष और अप्रत्यक्ष प्रभावों की पहचान की गारंटी नहीं देता है (जिसके लिए मजबूत क्रॉस-वर्ल्ड स्वतंत्रता धारणाओं की आवश्यकता होती है), लेकिन यह नियंत्रित प्रत्यक्ष प्रभावों और कुल प्रभावों की पहचान का समर्थन करता है।